Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în Învățarea prin Întărire și IA Agentică
- Luarea deciziilor în condiții de incertitudine și planificare secvențială
- Componente cheie ale RL: agenți, medii, stări și recompense
- Rolul RL în sistemele de IA adaptivă și agentică
Procese de Decizie Markov (MDPs)
- Definiția formală și proprietățile MDPs
- Funcții de valoare, ecuații Bellman și programare dinamică
- Evaluarea, îmbunătățirea și iterația politicilor
Învățarea prin Întărire fără Model
- Învățarea Monte Carlo și Diferențe Temporale (TD)
- Q-learning și SARSA
- Practică: implementarea metodelor tabelare de RL în Python
Învățarea Profundă prin Întărire
- Combinarea rețelelor neuronale cu RL pentru aproximarea funcțiilor
- Rețele Deep Q-Networks (DQN) și reluarea experienței
- Arhitecturi Actor-Critic și gradientul politicilor
- Practică: antrenarea unui agent folosind DQN și PPO cu Stable-Baselines3
Strategii de Explorare și Modelarea Recompenselor
- Echilibrarea explorării vs. exploatării (ε-greedy, UCB, metode de entropie)
- Proiectarea funcțiilor de recompensă și evitarea comportamentelor nedorite
- Modelarea recompenselor și învățarea pe curriculum
Subiecte Avansate în RL și Luarea Deciziilor
- Învățarea prin întărire multi-agent și strategii cooperative
- Învățarea prin întărire ierarhică și cadrul opțiunilor
- RL offline și învățarea prin imitație pentru implementări mai sigure
Medii de Simulare și Evaluare
- Utilizarea OpenAI Gym și a mediilor personalizate
- Spații de acțiune continue vs. discrete
- Metrici pentru performanța, stabilitatea și eficiența eșantionării agenților
Integrarea RL în Sisteme de IA Agentică
- Combinarea raționamentului și RL în arhitecturi hibride de agenți
- Integrarea învățării prin întărire cu agenți care folosesc unelte
- Considerații operaționale pentru scalare și implementare
Proiect Capstone
- Proiectarea și implementarea unui agent de învățare prin întărire pentru o sarcină simulată
- Analiza performanței de antrenament și optimizarea hiperparametrilor
- Demonstrarea comportamentului adaptiv și a luării deciziilor într-un context agentic
Rezumat și Pași Următori
Cerințe
- Cunoaștere avansată a programării în Python
- Înțelegere solidă a conceptelor de învățare automată și învățare profundă
- Familiaritate cu algebra liniară, probabilități și metode de bază de optimizare
Publicul țintă
- Ingineri de învățare prin întărire și cercetători AI aplicați
- Dezvoltatori de robotică și automatizare
- Echipe de inginerie care lucrează la sisteme de IA adaptivă și agentică
28 Ore
Mărturii (3)
Bună amestec de cunoștințe și practică
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Agentic AI for Enterprise Applications
Tradus de catre o masina
Mixul dintre teorie și practică, precum și al perspectivelor de nivel ridicat și de nivel scăzut
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Autonomous Decision-Making with Agentic AI
Tradus de catre o masina
exerciții practice
Daniel - Facultatea S.A.I.A.P.M.
Curs - Agentic AI in Multi-Agent Systems
Tradus de catre o masina
